Microsoft Research publică în Nature un studiu despre prognoza meteorologică bazată pe IA

O echipă coordonată de Microsoft Research a publicat un studiu în Nature la 14 octombrie 2026, prezentând corecția probabilistică a abaterilor sistematice (PBC), un cadru de învățare automată despre care autorii afirmă că îmbunătățește prognozele meteorologice cu două până la șase săptămâni în avans, și a publicat, totodată, codul ca sursă deschisă.

Studiul arată că, deși sistemele dinamice moderne și cele bazate pe IA oferă prognoze precise pentru intervale de până la aproximativ două săptămâni, performanța scade drastic la orizonturi sub-sezoniere, de două până la șase săptămâni, din cauza acumulării erorilor, a abaterilor sistematice ale modelelor și a naturii haotice a atmosferei. Autorii prezintă PBC drept un cadru care reduce erorile sistematice învățând să corecteze prognozele probabilistice istorice ale unui model și operând direct asupra distribuțiilor de probabilitate, nu asupra observațiilor brute.

Hannah Guan și Soukayna Mouatadid au contribuit în mod egal la lucrare, iar Guan și-a efectuat cercetarea ca internă la Cercetarea Microsoft; Judah Cohen de la MIT și Lester Mackey de la Cercetarea Microsoft sunt autorii corespondenți. Echipa formată din 13 autori enumeră afilierile cu Cercetarea Microsoft, Microsoft, MIT, Harvard College, Universitatea din Toronto, IMPA, Janus Research Group, Rhiza Research și ECMWF. Nature înregistrează lucrarea ca fiind primită pe 17 aprilie 2026 și acceptată pe 4 septembrie 2026.

Cum funcționează PBC și cum a fost evaluat

Pornind de la un ansamblu brut de prognoze deterministe, PBC îl transformă mai întâi într-o prognoză probabilistică inițială, evaluată în raport cu intervale de cuantile climatologice. Apoi, două modele de învățare automată aplică în paralel corecții complementare: Debias++ modifică prognoza prin ajustări specifice locației, datei și cuantilei, învățate prin minimizarea erorii de prognoză probabilistică în perioade de antrenare selectate adaptiv, în timp ce Persistence++ combină prognoza cu observații decalate și cu date climatologice, pentru a surprinde tendințele meteorologice recente și efectele zilei din an. Cele două corecții sunt proiectate în spațiul funcțiilor de distribuție cumulativă valide, apoi sunt mediate pentru a obține predicția finală PBC.

Echipa a evaluat prognozele conform metodologiei concursului AI Weather Quest al ECMWF: temperatura medie la 2 metri și precipitațiile totale deasupra uscatului, precum și presiunea medie la nivelul mării, calculate pe o grilă globală cu rezoluția de 1,5 grade și cinci intervale de chintile, pentru termene de anticipare de 3 săptămâni (zilele 19–25) și 4 săptămâni (zilele 26–32). Scorul folosit a fost scorul de performanță al probabilității ordonate (RPSS), raportat la o valoare de referință climatologică. Valorile de referință au fost cele din reanaliza ERA5 pentru perioada 1979–2026, reproiectate pe o grilă cu rezoluția de 1,5 grade, iar setul de testare implicit a cuprins date-țintă de luni și vineri din perioada 2016–2024, cu excluderea zilelor de 29 februarie. Autorii afirmă că PBC este suficient de ușor pentru a fi reantrenat incremental în fiecare zi, folosind doar datele de reanaliză și prognoză ale modelului disponibile la data emiterii fiecărei prognoze, imitând astfel utilizarea operațională.

Creșteri ale performanței pentru modelele dinamice și cele bazate pe IA

Lucrarea descrie ansamblul dinamic al ECMWF drept modelul meteorologic considerat pe scară largă cel mai precis din lume și standardul de referință pentru evaluarea performanței la orizonturi sub-sezoniere. Aplicat acestui ansamblu în perioada 2016–2024, PBC a triplat scorul pozitiv al modelului brut pentru precipitații, de 0,023 RPSS, și a transformat prognozele pentru temperatură și presiune, care aveau scoruri negative, în predicții performante, potrivit studiului. În comparație cu rezultatele ECMWF corectate operațional pentru abaterile sistematice, autorii afirmă că PBC a crescut RPSS pentru temperatură cu 26–37% și pentru presiune cu 16–32%, cu îmbunătățiri în 98% dintre celulele grilei pentru precipitații, 91–92% pentru temperatură și 89–91% pentru presiunea la nivelul mării.

Studiul arată că PBC a îmbunătățit și sistemele bazate pe IA. Aplicat modelului AIFS-SUBS al ECMWF, un model de învățare profundă pentru predicții sub-sezoniere, PBC a dublat scorul RPSS mediu al modelului, de 0,03, pentru toate variabilele și termenele de anticipare din anul de testare 2025. Aplicat modelului POET, un sistem hibrid care postprocesează ansamblul ECMWF folosind rețele neuronale convoluționale și transformatoare, PBC a adus în 2024 îmbunătățiri de 68–98% pentru precipitații, 15–23% pentru presiunea medie la nivelul mării și 5–7% pentru temperatură, potrivit lucrării. Autorii mai afirmă că PBC-ECMWF a înregistrat câștiguri importante de performanță față de modelul de învățare profundă FuXi-S2S în anii de testare 2017–2021, cu îmbunătățiri în 99–100% dintre celulele grilei pentru temperatură, 97–99% pentru precipitații și 96–100% pentru presiunea medie la nivelul mării.

Rezultatele concursului și prognozele pentru fenomene extreme

Pentru a evalua performanța în timp real, echipa a înscris în concursul AI Weather Quest 2025 al ECMWF un ansamblu format din PBC-ECMWF și PBC-POET, numit MicroDuet. Lucrarea arată că MicroDuet s-a clasat pe primul loc la toate variabilele meteorologice și termenele de anticipare în sezonul inaugural, din septembrie–noiembrie, devansând modelele dinamice corectate pentru abaterile sistematice ale celor șase centre operaționale de prognoză (ECMWF, NOAA, ECCC, HMCR, KMA și JMA), un ansamblu dinamic multimodel cu șase modele, trei versiuni ale AIFS-SUBS și sistemele de prognoză ale 34 de echipe din întreaga lume. De asemenea, MicroDuet s-a clasat pe primul loc la ambele termene de anticipare în sezonul decembrie–februarie. Autorii afirmă că, în ambele sezoane, MicroDuet a fost singura participare care a depășit semnificativ rezultatele ECMWF corectate pentru abaterile sistematice (P < 0,05) la toate variabilele și termenele de anticipare.

ECMWF a descris aceeași competiție într-un articol științific de pe blog, publicat la 13 martie 2026, precizând că 42 de echipe au transmis prognoze folosind 74 de modele cu denumiri distincte în primele două perioade ale competiției și că modelul de postprocesare MicroDuet al echipei MicroEnsemble s-a aflat constant în fruntea clasamentului și a depășit semnificativ Sistemul integrat de prognoză al ECMWF pentru toate variabilele și intervalele de anticipare.

Lucrarea mai arată că, în noiembrie 2025, prognoza în timp real a temperaturii pentru săptămâna a patra realizată de MicroDuet a anticipat un val de aer rece în estul Statelor Unite, în decembrie 2025, pe care prognoza ECMWF corectată pentru bias nu l-a anticipat.

Pentru prognozarea evenimentelor extreme, autorii au antrenat PBC pe variații semidecilice (cuantila de 5%), definind extremele de temperatură ridicată drept evenimente cu valori peste percentila 95 și extremele de temperatură scăzută drept cele cu valori sub percentila 5, iar abilitatea prognozelor au măsurat-o folosind scorul de abilitate Brier. Pentru extremele de temperatură ridicată din săptămâna a treia, în perioada 2016–2024, studiul arată că PBC a îmbunătățit cu 51% abilitatea prognozelor ECMWF corectate operațional pentru bias în cazul temperaturii și cu 39% în cazul presiunii, iar la nivelul celulelor de grilă, câștigurile au fost de 96% pentru precipitații, 89% pentru presiunea la nivelul mării și 85% pentru temperatură.

Pentru cele 2.435 de inundații catalogate de Sistemul global de alertă și coordonare în caz de dezastre (GDACS) între 2016 și 2026, autorii arată că PBC a sporit cu 76–92% abilitatea prognozelor de inundații pentru săptămâna a treia, în timp ce corectarea operațională a biasului a redus abilitatea de referință a prognozei ECMWF brute, de 0,04–0,06, până aproape de zero. În cazul a 88 de inundații grave, pe care GDACS le definește drept evenimente care provoacă peste 100 de decese sau strămutarea a 80.000 de persoane, lucrarea arată că PBC a sporit cu 86–150% abilitatea prognozării inundațiilor grave. Autorii afirmă că aceste câștiguri în materie de abilitate probabilistică se traduc în predicții mai precise ale evenimentelor extreme și au potențialul de a îmbunătăți planificarea agricolă, gestionarea energiei și pregătirea pentru dezastre în comunitățile vulnerabile.

Codul cu sursă deschisă și contextul cercetării

Codul PBC este disponibil pe GitHub sub licență MIT și este arhivat pe Zenodo, împreună cu codul necesar reproducerii studiului; în depozit se menționează că baza de cod Python a fost testată pe Rocky Linux 8.10 cu Python 3.13.3. O versiune preliminară a lucrării, semnată de autori, a fost trimisă la arXiv la 17 aprilie 2026 și revizuită ultima dată la 4 septembrie 2026, iar pagina publicației Microsoft Research datează lucrarea din aprilie 2026.

În discuția din lucrare, echipa descrie PBC ca pe o metodă care vizează erorile predictibile, în loc să încerce să învețe din nou dinamica atmosferică, prezentând-o ca instrument de postprocesare, nu ca înlocuitor al îmbunătățirii modelului de intrare, și ca strategie cu costuri reduse pentru centrele meteorologice, inclusiv pentru cele care dispun de resurse limitate. Declarațiile privind finanțarea menționează sprijinul FAPERJ pentru Orenstein, un grant al Fundației Naționale pentru Știință din SUA pentru Cohen și finanțare din partea programului UE Destination Earth pentru autorii afiliați ECMWF; declarația privind conflictele de interese precizează că mai mulți autori sunt angajați ai Microsoft sau dețin acțiuni Microsoft.